用 R 与 ggplot2 可视化数量：Data Science for Beginners 鸟类数据集折线图、散点图与柱状图实战

本文以微软开源课程 Data Science for Beginners 中第 9 课《Visualizing Quantities》的 R 语言实现为骨架，带你使用 ggplot2 基于明尼苏达州鸟类数据集（data/birds.csv）完成从折线图、散点图到柱状图的完整可视化流程。读完本文，你将掌握图形语法（Grammar of Graphics）的核心思想、ggplot() 的声明式绘图套路、异常值识别与数据过滤、以及用 dplyr 分组聚合后绘制可读性更高的统计图表。

本课对应的原始英文讲义位于 3-Data-Visualization/R/09-visualization-quantities/README.md，仓库中同时提供 Python 版本（3-Data-Visualization/09-visualization-quantities/README.md），便于两种语言对照学习。

ggplot2 与图形语法：一次声明式的绘图体验

ggplot2 是 R 生态中最受欢迎的绘图包之一，既能生成简单图表，也能胜任复杂的高级图形。它的底层设计理念是"图形语法"（The Grammar of Graphics）——一种将图形拆解为语义组件的通用可视化方案，例如尺度（scales）与图层（layers）。换句话说，你只需要用少量代码就能完成单变量或多变量数据的可视化：告诉 ggplot2 如何把变量映射到美学属性（aesthetics）、使用哪种图形原语（geometry），剩下的事情由它包办。

✅ 绘图公式：Plot = Data + Aesthetics + Geometry

• Data：指的是数据集本身
• Aesthetics：指明要研究的变量（即 x 与 y 变量）
• Geometry：指明图表的几何类型（折线图、柱状图等）

一般性的绘图流程包括四步：先定位数据框中想要呈现的列；再对数据执行必要的转换；随后把变量赋给 x 轴与 y 轴；最后选定图表类型并渲染输出。ggplot() 的管道式写法（+ 号逐层叠加）让每一步都清晰可见。

选择哪种几何类型（图表），取决于你的数据和你想讲述的故事：

分析目的	推荐图表类型
分析趋势（trends）	折线图、柱状图
比较数值（compare values）	柱状图、饼图、散点图
展示部分与整体的关系（parts to a whole）	饼图
展示数据分布（distribution）	散点图、柱状图
展示数值间的关系（relationships）	折线图、散点图、气泡图

准备数据：读取明尼苏达鸟类数据集

打开 R 控制台，导入数据集。注意：该数据集存放在本仓库根目录下的 data/birds.csv（共 442 条鸟类记录、13 个字段），文件带 UTF-8 BOM 头，因此读取时必须显式指定 fileEncoding="UTF-8-BOM"，否则列名可能出现乱码：

birds <- read.csv("data/birds.csv", fileEncoding = "UTF-8-BOM")
head(birds)

head() 返回数据的前 5 行，内容是文本与数字的混合体，各列含义如下：

列名	含义
Name / ScientificName	常用名 / 学名
Category	类别（如 Ducks/Geese/Waterfowl）
Order / Family / Genus	林奈分类学中的目 / 科 / 属
ConservationStatus	保护状态（IUCN 等级缩写：LC 无危、NT 近危、VU 易危、EN 濒危、CR 极危、EX 灭绝）
MinLength / MaxLength	最小 / 最大体长（厘米）
MinBodyMass / MaxBodyMass	最小 / 最大体重（克）
MinWingspan / MaxWingspan	最小 / 最大翼展（厘米）

前五行示例：

	Name	ScientificName	Category	Order	Family	Genus	ConservationStatus	MinLength	MaxLength	MinBodyMass	MaxBodyMass	MinWingspan	MaxWingspan
0	Black-bellied whistling-duck	Dendrocygna autumnalis	Ducks/Geese/Waterfowl	Anseriformes	Anatidae	Dendrocygna	LC	47	56	652	1020	76	94
1	Fulvous whistling-duck	Dendrocygna bicolor	Ducks/Geese/Waterfowl	Anseriformes	Anatidae	Dendrocygna	LC	45	53	712	1050	85	93
2	Snow goose	Anser caerulescens	Ducks/Geese/Waterfowl	Anseriformes	Anatidae	Anser	LC	64	79	2050	4050	135	165
3	Ross's goose	Anser rossii	Ducks/Geese/Waterfowl	Anseriformes	Anatidae	Anser	LC	57.3	64	1066	1567	113	116
4	Greater white-fronted goose	Anser albifrons	Ducks/Geese/Waterfowl	Anseriformes	Anatidae	Anser	LC	64	81	1930	3310	130	165

折线图：观察最大翼展并发现异常值

先绘制基础折线图，看看这些鸟类的最大翼展（MaxWingspan）是什么分布：

install.packages("ggplot2")
library("ggplot2")

ggplot(data = birds, aes(x = Name, y = MaxWingspan, group = 1)) +
  geom_line()

这里先安装 ggplot2 包，再用 library("ggplot2") 将其载入工作区。绘图时调用 ggplot() 函数，以 data 指定数据集、在 aes() 中指定 x、y 变量；由于目标是折线图，几何层选用 geom_line()。注意 group = 1 的作用：当 x 轴是离散的分类变量（鸟名）时，它告诉 ggplot 把所有点连成一条折线，而不是按分组断开。

第一眼你能发现什么？图中至少存在一个异常值——那条"翼展"竟然超过 2000 厘米，也就是 20 多米！难道明尼苏达上空有翼龙在盘旋吗？显然需要调查一下。虽然你可以在 Excel 里快速排序找出这些异常值（它们多半是录入时的笔误），但本课更推荐"在绘图过程中解决问题"，也就是继续用可视化手段定位它们。

给 x 轴加上标签，指明涉及的鸟类种类：

ggplot(data = birds, aes(x = Name, y = MaxWingspan, group = 1)) +
  geom_line() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  xlab("Birds") +
  ylab("Wingspan (CM)") +
  ggtitle("Max Wingspan in Centimeters")

这里通过 theme() 中的 axis.text.x = element_text(angle = 45, hjust = 1) 将 x 轴刻度文本旋转 45 度、并向右对齐（hjust = 1），避免过长的鸟名互相重叠；xlab() 与 ylab() 分别设置 x、y 轴标签，ggtitle() 为图表命名。

即使把标签旋转到 45 度，鸟名依然太多、难以阅读。换一种策略：只标注异常值，并把标注放进图内。此时改用散点图，为标注腾出更多空间：

ggplot(data = birds, aes(x = Name, y = MaxWingspan, group = 1)) +
  geom_point() +
  geom_text(aes(label = ifelse(MaxWingspan > 500, as.character(Name), '')), hjust = 0, vjust = 0) +
  theme(axis.title.x = element_blank(),
        axis.text.x = element_blank(),
        axis.ticks.x = element_blank()) +
  ylab("Wingspan (CM)") +
  ggtitle("Max Wingspan in Centimeters")

这段代码做了什么？

• geom_point() 绘制散点；
• geom_text() 配合 ifelse(MaxWingspan > 500, as.character(Name), '')，只对翼展超过 500 厘米的鸟显示名称标签，其余留空；
• theme() 中隐藏了 x 轴的标题、刻度文本与刻度线（element_blank()），让画面更清爽。

⚠️ 排错提示：原讲义中 theme(...) 一行末尾漏写了管道连接符 +，直接以换行接 ylab(...) 会导致语法错误。实际运行时请务必像上文那样，让每一层都以 + 结束（最后一行除外）。

过滤数据：剔除异常值

从散点图可以看出，秃鹰（Bald Eagle）和草原隼（Prairie Falcon）虽然确实是大型猛禽，但它们的最大翼展多半被录错了——多打了一个 0。你不太可能遇见翼展 25 米的秃鹰。让我们新建一个不包含这两个异常值的数据框：

birds_filtered <- subset(birds, MaxWingspan < 500)

ggplot(data = birds_filtered, aes(x = Name, y = MaxWingspan, group = 1)) +
  geom_point() +
  ylab("Wingspan (CM)") +
  xlab("Birds") +
  ggtitle("Max Wingspan in Centimeters") +
  geom_text(aes(label = ifelse(MaxWingspan > 500, as.character(Name), '')), hjust = 0, vjust = 0) +
  theme(axis.text.x = element_blank(), axis.ticks.x = element_blank())

subset(birds, MaxWingspan < 500) 生成新数据框 birds_filtered，随后在其上绘制散点图。过滤掉异常值后，数据变得更紧凑、更易理解。

💡 细节说明：经过 MaxWingspan < 500 过滤后，geom_text() 里的 ifelse(MaxWingspan > 500, ...) 条件已不可能为真，因此标注层实际上不会输出任何文本——它只是沿用了上一步的代码。若想保留标注，应把阈值降到 500 以下；这也提醒我们：清理数据后，要同步复核下游的过滤逻辑。

现在至少在翼展维度上我们拥有了一份更干净的数据集。折线图与散点图可以展示数值及其分布，但接下来我们更关心数据集中"数量"层面的内在信息。可以围绕下面这些量化问题创建可视化：

• 数据集里有多少种鸟类类别？各类别数量是多少？
• 有多少鸟处于灭绝、濒危、稀有或常见状态？
• 按林奈分类学统计，不同属（Genus）和目（Order）各有多少种鸟？

柱状图：探索类别分布

柱状图非常适合展示数据的分组聚合结果。先探索数据集中的鸟类类别，看看哪一类数量最多。

install.packages("dplyr")
install.packages("tidyverse")

library(lubridate)
library(scales)
library(dplyr)
library(ggplot2)
library(tidyverse)

birds_filtered %>%
  group_by(Category) %>%
  summarise(n = n(),
            MinLength = mean(MinLength),
            MaxLength = mean(MaxLength),
            MinBodyMass = mean(MinBodyMass),
            MaxBodyMass = mean(MaxBodyMass),
            MinWingspan = mean(MinWingspan),
            MaxWingspan = mean(MaxWingspan)) %>%
  gather("key", "value", -c(Category, n)) %>%
  ggplot(aes(x = Category, y = value, group = key, fill = key)) +
  geom_bar(stat = "identity") +
  scale_fill_manual(values = c("#D62728", "#FF7F0E", "#8C564B", "#2CA02C", "#1F77B4", "#9467BD")) +
  xlab("Category") + ggtitle("Birds of Minnesota")

这段代码用到了 dplyr 与 lubridate 两个辅助包（tidyverse 一并载入以便使用 %>% 管道和 gather()）：首先按鸟类 Category 分组，再用 summarise() 对 MinLength、MaxLength、MinBodyMass、MaxBodyMass、MinWingspan、MaxWingspan 六列求均值，并统计每组数量 n = n()；随后 gather() 把六列指标"长表化"为 key/value 两列，最后交给 ggplot() 绘制分组柱状图。scale_fill_manual() 为不同指标指定了六种颜色（#D62728、#FF7F0E、#8C564B、#2CA02C、#1F77B4、#9467BD），stat = "identity" 表示直接使用 y 值本身作为柱高，而非计数。

不过，这张柱状图几乎不可读——未经充分聚合的指标太多、柱子过密。应该只选择真正想展示的指标。既然类别数量众多，可以改用纵向（横向条形）展示，并调整高度以容纳全部数据：

birds_count <- dplyr::count(birds_filtered, Category, sort = TRUE)
birds_count$Category <- factor(birds_count$Category, levels = birds_count$Category)

ggplot(birds_count, aes(Category, n)) +
  geom_bar(stat = "identity") +
  coord_flip()

思路如下：

1. dplyr::count(birds_filtered, Category, sort = TRUE) 统计 Category 列每个类别的出现次数，并按数量降序排序，存入新数据框 birds_count；
2. factor(birds_count$Category, levels = birds_count$Category) 把类别列转成**因子（factor）**并锁定其顺序，确保柱状图按排序后的顺序绘制；
3. geom_bar(stat = "identity") 用计数 n 作柱高；
4. coord_flip() 把坐标系翻转 90 度，柱子横向排列，长类别名就能完整显示。

这张图清楚地展示了每个类别的鸟类数量：一眼就能看出，数量最多的是 Ducks/Geese/Waterfowl（鸭/鹅/水禽） 类别。明尼苏达是"万湖之州"（land of 10,000 lakes），这个结果并不意外。对 data/birds.csv 的实际统计也印证了这一点：Ducks/Geese/Waterfowl 共 45 条记录，位列第一；其次是 New World warblers（41 条）与 Sandpipers/Allies（34 条）。如果按保护状态统计，LC（无危）占绝大多数（402 条），NT（近危）27 条、VU（易危）10 条、EN（濒危）2 条、CR（极危）1 条、EX（灭绝）1 条。

✅ 不妨再对这份数据集尝试其他计数维度，看看是否有让你惊讶的发现。

比较数据：按类别聚合与叠加柱状图

通过创建新的分组轴，可以对聚合数据做各种比较。比如按鸟类类别比较其最大体长（MaxLength）：

birds_grouped <- birds_filtered %>%
  group_by(Category) %>%
  summarise(
    MaxLength = max(MaxLength, na.rm = T),
    MinLength = max(MinLength, na.rm = T)
  ) %>%
  arrange(Category)

ggplot(birds_grouped, aes(Category, MaxLength)) +
  geom_bar(stat = "identity") +
  coord_flip()

先用 group_by(Category) 对 birds_filtered 分组，summarise() 用 max() 求出每类的最大体长（na.rm = T 忽略缺失值，注意讲义此处 MinLength 也取了 max，属笔误，可依需求改为 min()），arrange(Category) 按类别排序，最后绘制横向柱状图。

结果毫无悬念：蜂鸟（hummingbirds）的最大体长比鹈鹕（Pelicans）或鹅（Geese）小得多。当数据符合常识时，说明分析是靠谱的！

还可以通过**叠加（superimpose）**数据，做出更有信息量的柱状图。下面把每个鸟类类别的最小体长与最大体长叠加在同一张图上：

ggplot(data = birds_grouped, aes(x = Category)) +
  geom_bar(aes(y = MaxLength), stat = "identity", position = "identity", fill = 'blue') +
  geom_bar(aes(y = MinLength), stat = "identity", position = "identity", fill = 'orange') +
  coord_flip()

两个 geom_bar() 分别以 MaxLength 和 MinLength 为柱高，position = "identity" 让两组柱子从同一基线（0）出发、互不位移地重叠绘制，蓝色表示最大体长、橙色表示最小体长，最后 coord_flip() 转为横向布局。

叠加之后，每个类别的体长区间一目了然：蓝橙两条柱的起点相同、长度不同，直观呈现了每个类别内部的体长跨度。

实战挑战：把方法迁移到新数据集

这份鸟类数据集蕴含了特定生态系统内不同鸟类的丰富信息。不妨上网寻找其他面向鸟类的数据集（例如不同州、不同国家的鸟类观测数据），用同样的三件套——折线图、散点图、柱状图——围绕这些数据反复练习，去发现一些你以前不知道的事实。

课后巩固与作业

本课是使用 ggplot2 可视化"数量"的第一课。除了 ggplot2，R 生态中还有 Lattice 与 Plotly 等可视化包，可以继续研究如何用它们处理同一类数据集。

配套作业《Lines, Scatters, and Bars》位于 translations/ar/3-Data-Visualization/R/09-visualization-quantities/assignment.md（英文版见 3-Data-Visualization/R/09-visualization-quantities/assignment.md）：在本次课学习过的折线图、散点图和柱状图基础上，深入挖掘数据集，围绕某一种鸟类（例如雪雁 Snow Goose）编写一个脚本，用三种图表讲一个完整的数据故事。评分标准包括：脚本是否带有良好的注释、叙事是否完整、图表是否美观。

仓库中的佐证资料一览

• 数据集：data/birds.csv（含 BOM 头，442 条记录、13 列，故读取需 fileEncoding="UTF-8-BOM"）；
• 本课英文原始讲义：3-Data-Visualization/R/09-visualization-quantities/README.md；
• 本课作业：translations/ar/3-Data-Visualization/R/09-visualization-quantities/assignment.md；
• Python 对照版本：3-Data-Visualization/09-visualization-quantities/README.md；
• 课程框架总览：1-Introduction/README.md。

以上所有 R 代码均在 R 控制台可直接运行；绘图前的核心数据转换（分组、聚合、过滤）由 dplyr 完成，绘图本身完全由 ggplot2 的图层叠加机制驱动，这正是图形语法"声明式绘图"的精髓——你只管描述数据是什么、映射到哪里、用什么几何呈现，剩下的交给 ggplot2。